Classificação binária preditiva de imagens de folhas de soja por algorítmos de aprendizado de máquina

Abstract

Este projeto tem como foco o desenvolvimento e avaliação de desempenho dos modelos de aprendizado aplicados em classificação binária preditiva de doenças em folhas de soja. Foi utilizado um subconjunto de dados SoyNet, que continha anteriormente 1055 imagens de folhas doentes e 139 imagens de folhas saudáveis. Para melhor generalização dos modelos, foi aplicado a técnica de data augmentation, aumentando a quantidade de folhas saudáveis para aproximadamente mil imagens e resultando no balanceamento do dataset. As imagens apresentam um padrão de escala de cinza e redimensionadas para 64x64. Os algoritmos estudados são Random Forest, Support Vector Machine (SVM) e Convolutional Neural Network (CNN). Para realização do comparativo de resultados, foram considerados métricas como acurácia, precisão, recall, F1-score e análise de matrizes de confusão. Foi observado que todos os modelos apresentaram uma acurácia satisfatória superiores a 94%. O Random Forest destacou-se em ter uma sensibilidade maior à classe doente, enquanto o CNN demonstrou uma alta precisão e um baixo índice de falsos positivos. Conclui-se que os algoritmos Random Forest e CNN são eficazes para a tarefa de classificação, entretanto a escolha entre ambos dependerá da prioridade prática da atividade.